Datos que deciden: analítica para pymes que sí funciona

La conversación sobre IA en una pyme casi siempre empieza mal: alguien quiere un modelo. La pregunta correcta es cuál decisión estás tomando a ojo y cuánto te cuesta equivocarte.

Tres decisiones donde la analítica paga sola

• Cuánto comprar o producir el mes entrante. Un pronóstico mediocre suele ganarle al criterio de una sola persona.
• Cuándo va a fallar un equipo. Si ya tienes histórico de mantenimientos, la información está ahí sin recogerla.
• A qué cliente llamar primero. Ordenar la lista por probabilidad de compra cambia el mes de un vendedor.

Si tu caso no se parece a ninguno de estos, es probable que todavía no necesites un modelo. Y decírtelo es parte del trabajo.

Primero ordenar, después modelar

El 70% del esfuerzo de un proyecto de datos es limpiar. No es una queja, es la realidad: nombres de cliente escritos de cinco formas, fechas en tres formatos, campos vacíos que en realidad significan cero.

Necesitas datos ordenados más que datos abundantes. Con dos años de historia limpia se puede hacer bastante. Con diez años repartidos en hojas de cálculo sueltas, lo primero es consolidar, y ese paso ya te da valor antes de cualquier modelo.

Cómo saber si funciona

Define la métrica antes de construir y compárala contra cómo se decide hoy.

Si tu comprador acierta el pronóstico con un margen de error del 20% y el modelo llega al 18%, no vale la pena ponerlo en producción. Si baja al 8%, ya sabes cuánto inventario dejas de cargar. Ese número es el que justifica el proyecto, no la tecnología usada.

Qué pedirle a quien te lo venda

• Que la métrica de éxito esté escrita antes de empezar.
• Que tus datos no se usen para nada distinto a tu proyecto, y que quede en el contrato.
• Que te entreguen el modelo y los datos, no solo un acceso mensual.
• Que te digan cuándo no vale la pena. Si nunca lo dicen, desconfía.